在大数据风控平台中，如何构建不良资产回收的预测模型？请说明特征工程的关键步骤，以及如何处理数据中的缺失值和异常值。

1) 【一句话结论】构建不良资产回收预测模型的核心是通过业务驱动的特征工程（含高比例缺失值删除、异常值分箱/聚类处理），结合分类/回归算法，输出回收概率或时间，关键在于提升模型对回收行为的预测精度，同时满足最大化回收金额的业务目标。

2) 【原理/概念讲解】不良资产回收预测属于分类（是否回收）或回归（回收时间）问题。特征工程是模型性能的核心，步骤包括：

• 数据预处理：清洗数据，重点处理缺失值和异常值，确保数据质量。
• 特征选择：筛选与回收强相关的业务特征（如借款人信用记录、还款能力、资产状况），不同行业需针对性调整（如房地产需加“抵押物评估价值”“房产位置”，消费信贷需加“历史还款延迟次数”）。
• 特征构造：从原始数据衍生新特征（如逾期天数累计、历史违约次数、滚动平均逾期天数），增强模型对回收行为的捕捉能力。
• 模型训练：选择逻辑回归、随机森林、XGBoost等算法，通过交叉验证优化参数，输出回收概率或时间。
  类比：预测不良资产回收，就像医生诊断患者是否需要手术——特征工程是收集患者的病史、检查结果（如血压、血糖、影像报告），处理缺失值是补充遗漏的检查（如忘记测血糖），异常值是极端病例（如血压极高），特征构造是结合检查结果推导新的风险指标（如“血压+血糖”组合风险评分），最终判断是否需要手术（是否回收）。

3) 【对比与适用场景】分缺失值和异常值处理方法：

缺失值处理：

方法	定义	特性	使用场景	注意点
均值/中位数填充	用列均值/中位数替换缺失值	简单，可能引入偏差	缺失比例低（<10%），数据分布对称	偏态分布（如收入）用中位数，避免均值偏差
机器学习填充（KNN）	用相似样本的值填充	保留数据分布	缺失比例中等（10%-30%），数据量足够	计算成本高，需选择合适K值（5-10），避免过拟合
删除缺失值	直接移除含缺失的样本	简单，可能损失信息	缺失比例低（<5%），样本量充足	高比例缺失（>30%）时，删除特征或样本，避免信息丢失过多
降维/变换	通过变换（如对数）减少缺失影响	处理高维数据	缺失比例高（>30%）	可能改变数据分布，需验证

异常值处理：

方法	定义	特性	使用场景	注意点
删除异常值	移除超出阈值或离群点	简单，可能损失信息	异常值比例低（<5%），样本量充足	高比例异常（>15%）时，删除会导致数据偏差
修正异常值	用合理值替换（如均值、中位数）	保留数据完整性	异常值比例低（<5%），数据分布已知	避免掩盖真实风险，如逾期天数极高但实际可回收
分箱（分箱化）	将变量分箱为区间（如逾期天数分箱为正常、轻度、严重）	简单，保留分布信息	异常值比例中等（5%-15%）	区间划分需结合业务逻辑（如逾期30天为轻度，90天为严重）
聚类（DBSCAN等）	用聚类识别异常簇	处理高维或复杂异常	异常值比例高（>15%）	需选择合适的距离参数（eps），避免误判

4) 【示例】（伪代码展示数据清洗与特征构造）：

import pandas as pd
from sklearn.impute import SimpleImputer, KNNImputer
from sklearn.preprocessing import StandardScaler

# 加载数据
data = pd.read_csv('asset_data.csv')

# 1. 处理高比例缺失值（如收入30%缺失）
# 删除收入特征（因缺失过多无法有效补充）
data = data.drop(columns=['income'])

# 2. 处理异常值（逾期天数15%异常，分箱处理）
Q1 = data['overdue_days'].quantile(0.25)
Q3 = data['overdue_days'].quantile(0.75)
IQR = Q3 - Q1
lower_bound = Q1 - 1.5 * IQR
upper_bound = Q3 + 1.5 * IQR

data['overdue_bin'] = pd.cut(data['overdue_days'],
                            bins=[-float('inf'), 30, 90, 180, float('inf')],
                            labels=['正常', '轻度逾期', '严重逾期', '极严重逾期'])

# 3. 特征构造（滚动平均逾期天数）
data['rolling_avg_overdue'] = data.groupby('loan_id')['overdue_days'].rolling(window=3).mean().reset_index(0, drop=True)

# 4. 少量缺失值处理（信用评分用中位数填充）
imputer_median = SimpleImputer(strategy='median')
data['credit_score'] = imputer_median.fit_transform(data[['credit_score']])

# 5. 标准化（用于模型训练）
scaler = StandardScaler()
data[['debt_ratio', 'loan_amount']] = scaler.fit_transform(data[['debt_ratio', 'loan_amount']])

5) 【面试口播版答案】（约90秒）：
“面试官您好，构建不良资产回收预测模型的核心是通过业务驱动的特征工程，重点处理缺失值和异常值，结合分类/回归算法输出回收概率或时间。首先，数据预处理阶段，针对高比例缺失值（如>30%），我们选择删除相关特征（如收入，因缺失过多无法有效补充）；对于异常值（如逾期天数异常比例>15%），采用分箱化处理，将逾期天数分为正常、轻度、严重等区间，保留业务分布信息。然后，特征工程结合业务逻辑，比如针对房地产不良资产增加抵押物评估价值、房产位置等特征；消费信贷增加历史还款延迟次数、滚动平均逾期天数等滞后特征。模型选择上，通常用XGBoost或随机森林，通过滚动窗口交叉验证（时间序列数据），优化参数后输出回收概率。整个流程确保模型能精准捕捉回收行为，同时满足业务目标（如最大化回收金额）。总结来说，关键在于数据质量提升和业务特征的有效构造，这样才能让模型更贴合不良资产回收的实际场景。”

6) 【追问清单】：

• 问：如何选择模型评估指标？
  答：结合业务目标（如最大化回收金额），优先选择召回率（Recall，即正确识别回收案例的比例），因为漏掉回收案例会导致损失；同时结合F1分数平衡精度，指标阈值（如概率>0.7视为回收）需与业务决策（如是否启动回收流程）关联。
• 问：如何处理时间序列数据（如历史回收记录）？
  答：提取时间序列特征，如滞后项（过去1-3个月回收次数）、滚动统计量（如滚动平均逾期天数、滚动标准差），用滚动窗口交叉验证保留时间顺序信息，避免模型拟合未来数据。
• 问：特征重要性如何分析？
  答：用XGBoost的feature_importances_或SHAP值，识别关键特征（如信用评分、抵押物价值、逾期天数），指导业务调整（如加强高信用评分但逾期严重的案例的回收策略）。
• 问：模型部署后如何监控？
  答：定期（如每季度）重新训练模型，监控预测指标（如召回率、AUC）变化，结合业务反馈（如实际回收情况）调整特征或参数，确保模型持续有效。
• 问：处理高维数据时如何降维？
  答：用递归特征消除（RFE）结合模型（如随机森林）选择重要特征，或用PCA降维（需验证解释方差比例，如保留80%方差），避免过拟合。

7) 【常见坑/雷区】：

• 忽略业务场景：直接用通用特征（如年龄、性别），未考虑不良资产回收的行业特性（如房地产需抵押物价值，消费信贷需历史还款记录），导致模型泛化能力差。
• 处理缺失值时假设错误：比如用均值填充偏态分布的变量（如收入），导致偏差，应使用中位数或KNN填充。
• 异常值处理不当：高比例异常值（>15%）时，删除会导致数据偏差，应采用分箱或聚类，避免损失信息。
• 模型过拟合：特征过多或参数调优过度，导致训练集表现好但实际预测差，需用交叉验证（如时间序列滚动验证）控制。
• 未验证特征相关性：加入无关特征（如借款人电话号码），增加计算成本且降低模型泛化能力，应通过相关性分析或特征重要性筛选。